RAP-Net：用于降水临近预报的区域注意力预测网络
机器学习
2021-10-05 v1 计算机视觉与模式识别
大气与海洋物理
摘要
由强降雨引发的自然灾害常造成巨大的生命和财产损失。为避免此类损失，降水临近预报任务迫在眉睫。为解决该问题，越来越多的深度学习方法被提出以预测未来的雷达回波图像，随后由预测图转换得到降雨分布。主流的时空序列预测方法采用结合卷积与循环神经网络的 ConvRNN 结构。尽管基于 ConvRNN 的改进取得了显著成功，这些方法忽略了同时捕捉局部与全局空间特征，导致强降雨区域的临近预报性能下降。为此，我们提出区域注意力块（RAB）并将其嵌入 ConvRNN 以增强强降雨区的预报。此外，ConvRNN 模型难以以有限参数记忆更长的历史表示。考虑到这一点，我们提出召回注意力机制（RAM）以改进预测。通过保留更长的时序信息，RAM 有助于预报，尤其在中等降雨强度下。实验表明，所提模型区域注意力预测网络（RAP-Net）优于最先进的方法。
引用
@article{arxiv.2110.01035,
title = {RAP-Net: Region Attention Predictive Network for Precipitation Nowcasting},
author = {Chuyao Luo and ZhengZhang and Rui Ye and Xutao Li and Yunming Ye},
journal= {arXiv preprint arXiv:2110.01035},
year = {2021}
}